.
Mākslīgais intelekts (MI) attēldiagnostikā
Studiju kursa apraksts
Kursa apraksta statuss:Apstiprināts
Kursa apraksta versija:6.00
Kursa apraksta apstiprināšanas datums:02.01.2024 10:17:09
| Par studiju kursu | |||||||||
| Kursa kods: | RAK_027 | LKI līmenis: | 7. līmenis | ||||||
| Kredītpunkti: | 2.00 | ECTS: | 3.00 | ||||||
| Zinātnes nozare: | Klīniskā medicīna; Rentgenoloģija un radioloģija | Mērķauditorija: | Ārstniecība; Medicīnas tehnoloģijas; Zobārstniecība; Rehabilitācija; Sabiedrības veselība | ||||||
| Studiju kursa vadītājs | |||||||||
| Kursa vadītājs: | Maija Radziņa | ||||||||
| Studiju kursa īstenotājs | |||||||||
| Struktūrvienība: | Radioloģijas katedra | ||||||||
| Struktūrvienības vadītājs: | |||||||||
| Kontaktinformācija: | Rīga, Hipokrāta iela 2, RSU studiju centra administrācija, rak rsu[pnkts]lv, +371 67547139 | ||||||||
| Studiju kursa plānojums | |||||||||
| Pilns laiks - 1. semestris | |||||||||
| Lekcijas (skaits) | 0 | Lekciju ilgums (akadēmiskās stundas) | 0 | Kopā lekciju kontaktstundas | 0 | ||||
| Nodarbības (skaits) | 0 | Nodarbību ilgums (akadēmiskās stundas) | 0 | Kopā nodarbību kontaktstundas | 0 | ||||
| Kopā kontaktstundas | 0 | ||||||||
| Pilns laiks - 2. semestris | |||||||||
| Lekcijas (skaits) | 8 | Lekciju ilgums (akadēmiskās stundas) | 2 | Kopā lekciju kontaktstundas | 16 | ||||
| Nodarbības (skaits) | 8 | Nodarbību ilgums (akadēmiskās stundas) | 2 | Kopā nodarbību kontaktstundas | 16 | ||||
| Kopā kontaktstundas | 32 | ||||||||
| Studiju kursa apraksts | |||||||||
| Priekšzināšanas: | Informātika, Anatomija. | ||||||||
| Mērķis: | Studiju kurss “Mākslīgais intelekts attēldiagnostikā” paredzēts padziļinātai izpratnei par radioloģijas datu daudzpusīgo pielietojumu klīniskajā medicīnā, izmantojot digitalizācijas rīkus. Līdz ar tehnoloģiju attīstību radioloģijas attēlu un datu apjoms ir strauji pieaudzis, palielinot ārstu radiologu slodzi, un prasot detalizētākus risinājumus un inovatīvas pieejas dažādu klīnisko nepieciešamību risinājumiem, tostarp datu aprites ātrumam. Šajā kontekstā mākslīgais intelekts (MI), kas mūsdienu radioloģijā tiek arvien ciešāk integrēts ikdienas praksē, piedāvā plašas iespējas, kā uzlabot radioloģijas diagnostikas procesu. MI var palīdzēt prioritizēt pacientus ar smagākām un akūtākām patoloģijām, ātrākai to diagnosticēšanai, izvēlēties piemērotus attēlu iegūšanas protokolus, automatizēt dažādu mērījumu veikšanu, attēlu analīzi un interpretāciju, salīdzināt pašreizējo un iepriekšējo izmeklējumu attēlus, automatizēt izmeklējuma apraksta veikšanu ar balss-teksta pārveides programmām un optimizēt slēdzienu standartizāciju, tādējādi, caur daudzpusīgu pieeju, mazinot resursu patēriņu un laiku līdz diagnozes iegūšanai un līdz ar to terapijas laicīgai uzsākšanai. Tas ļauj radiologiem laicīgāk pievērst uzmanību sarežģītākajiem gadījumiem un atvieglot un paātrināt diagnostikas procesu, tādējādi uzlabojot pacientu aprūpes kvalitāti. Vizuālās informācijas modelēšana individuālām vajadzībām nepieciešama arī stomatoloģijā, rehabilitācijā un traumatoloģijā-ortopēdijā, kā arī citās nozarēs, un MI risinājumi kļūst aizvien aktuālāki arī implantu un biomehānikas izvērtēšanā. | ||||||||
| Tēmu saraksts (pilna laika studijas) | |||||||||
| Nr. | Tēma | Īstenošanas forma | Skaits | Norises vieta | |||||
| 1 | Kas ir mākslīgais intelekts? Mākslīga intelekta strukturālie elementi, metrikas un terminoloģija | Lekcijas | 1.00 | E-studiju vide | |||||
| 2 | Datu apstrāde | Lekcijas | 1.00 | E-studiju vide | |||||
| 3 | Praktiskais seminārs par datu apstrādi un mākslīga intelekta apmācību I | Nodarbības | 1.00 | datorklase | |||||
| 4 | Praktiskais seminārs par datu apstrādi un mākslīga intelekta apmācību II | Nodarbības | 1.00 | datorklase | |||||
| 5 | Ievads tehnoloģijās, radioloģijas anatomijā un patoloģijā | Lekcijas | 1.00 | E-studiju vide | |||||
| 6 | Mākslīgā intelekta pielietojums darba organizācijā, attēlu ieguvē un analīzē | Lekcijas | 1.00 | E-studiju vide | |||||
| 7 | MI ētiskie aspekti | Lekcijas | 1.00 | E-studiju vide | |||||
| 8 | MI skrīningizmeklējumos | Lekcijas | 1.00 | E-studiju vide | |||||
| 9 | Strukturētie apraksti medicīnā, radioloģijā un to nozīme mākslīgajam intelektam | Lekcijas | 1.00 | E-studiju vide | |||||
| 10 | MI iepazīšana | Lekcijas | 1.00 | E-studiju vide | |||||
| 11 | Klīniskie gadījumi, MI pielietojums I | Nodarbības | 1.00 | klīniskā bāze | |||||
| 12 | Klīniskie gadījumi, MI pielietojums II | Nodarbības | 1.00 | klīniskā bāze | |||||
| 13 | Klīniskie gadījumi, MI pielietojums III | Nodarbības | 1.00 | klīniskā bāze | |||||
| 14 | Klīniskie gadījumi, MI pielietojums IV | Nodarbības | 1.00 | klīniskā bāze | |||||
| 15 | Klīniskie gadījumi, MI pielietojums V | Nodarbības | 1.00 | klīniskā bāze | |||||
| 16 | Klīniskie gadījumi, MI pielietojums VI | Nodarbības | 1.00 | klīniskā bāze | |||||
| Vērtēšana | |||||||||
| Patstāvīgais darbs: | Patstāvīgais darbs - prot praktiski pielietot MI veidus attēldiagnostikā (piemēri no medicīnas attēlizmeklēšanas datiem). Lai izvērtētu studiju kursa kvalitāti kopumā, studentam jāaizpilda studiju kursa novērtēšanas anketa Studējošo portālā. | ||||||||
| Vērtēšanas kritēriji: | Ieskaitīts, ja ir attēldiagnostikas izmeklējuma piemērā pielietoti noteikti MI veidi; eksāmens. | ||||||||
| Gala pārbaudījums (pilna laika studijas): | Eksāmens | ||||||||
| Gala pārbaudījums (nepilna laika studijas): | |||||||||
| Studiju rezultāti | |||||||||
| Zināšanas: | 1. Studējošajiem būtu jābūt spējīgiem kritiski izvērtēt informāciju par MI un būtu jāsaprot saistība starp modeļiem un klīnisko realitāti. 2. Studentiem būtu jābūt vispusīgai konceptuālai sapratnei par MI un klīnisko datu zinātnes struktūru. | ||||||||
| Prasmes: | 1. Praktiska studējošo iesaiste fokusētos semināros ar mērķi atpazīt atbilstošus potenciālus MI pielietojumus veselības datu apstrādē. 2. Sapratne par to, kā atšķirt dažādas datiem pielietojamas apstrādes metodes (atšķirības izpratne starp paredzēšanu un kauzālas sakritības pieejām). | ||||||||
| Kompetences: | 1. Izmanto un pielāgo algoritmus, kā veikt attēldiagnostikas datu segmentēšanu, automatizētu programmu iegūto rezultātu korekciju, izvēloties atbilstošāko programmu uzdevumam/ķermeņa daļai (3D slicer, Lunit, Gleamer), klasificē un prot pielietot datu tipus un iesaka jaunus risinājumus anotēšanas pamatprincipiem. 2. Raksturo biežākās izmeklējumu darbaplūsmas problēmas, ko var risināt ar mākslīgo intelektu (gadījumu saraksts, prioritizēšanas iezīmes, pēcapstrādes algoritmu risinājumi). Piedāvā stratēģijas, kā MI var tikt pielietots veselības datu apstrādē – attēldiagnostikā un standartizētu slēdzienu veidošanā. 3. Analizē patoloģijas un struktūras DICOM formātā, kas tiek diagnosticētas ar MI programmatūru palīdzību. 4. Piemēro Datu drošības normatīvos aktus noteiktai klīniskai situācijai. | ||||||||
| Bibliogrāfija | |||||||||
| Nr. | Atsauce | ||||||||
| Obligātā literatūra | |||||||||
| 1 | Tang X. The role of artificial intelligence in medical imaging research. BJR Open. 2019, Nov 28;2(1): 20190031. | ||||||||
| 2 | Zenker S, Strech D, Ihrig K, et.al. Data protection-compliant broad consent for secondary use of health care data and human biosamples for (bio)medical research: Towards a new German national standard. Journal of Biomedical Informatics, 2022, 131:104096. | ||||||||
| 3 | Merel Huisman, Elmar Kotter, Peter M. A. van Ooijen Erik R. Ranschaert. Members: Tugba Akinci D’ Antonoli, Marcio Aloisio Bezzera Cavalcanti Rockenbach, Vera Cruz e Silva, Emmanouil Koltsakis, Pinar Yilmaz. The eBook for Undergraduate Education in Radiology. Chapter- AI in Radiology | ||||||||
| 4 | Hosny, A., Parmar, C., Quackenbush, J. et.al. Artificial intelligence in radiology. Nat Rev Cancer 18, 500–510. 2018 | ||||||||
| Papildu literatūra | |||||||||
| 1 | Geis, J.R., Brady, A., Wu, C.C., et.al. Ethics of artificial intelligence in radiology: summary of the joint European and North American multisociety statement. Insights Imaging 10, 101. 2019. | ||||||||
| 2 | Nobel, J.M., Kok, E.M. & Robben, S.G.F. Redefining the structure of structured reporting in radiology. Insights Imaging 11, 10. 2020. | ||||||||
| 3 | Strohm L, Hehakaya C, Ranschaert ER, et.al. Implementation of artificial intelligence (AI) applications in radiology: hindering and facilitating factors. Eur Radiol, 2020, 30:5525–5532. | ||||||||
| 4 | Simpson SA, Cook TS. Artificial Intelligence and the Trainee Experience in Radiology. Journal of the American College of Radiology, 2020, 17:1388–1393. | ||||||||
| 5 | Gabriel Chartrand, Phillip M. Cheng, Eugene Vorontsov, et.al. Deep Learning: A Primer for Radiologists. RadioGraphics, 2017 37:7, 2113-2131. | ||||||||
| 6 | Phillip M. Cheng, Emmanuel Montagnon, Rikiya Yamashita, Ian Pan, et.al. Deep Learning: An Update for Radiologists. RadioGraphics, 2021 41:5, 1427-1445. | ||||||||
| 7 | Bradley J. Erickson, Panagiotis Korfiatis, Zeynettin Akkus, and Timothy L. Kline. Machine Learning for Medical Imaging. RadioGraphics, 2017 37:2, 505-515. | ||||||||
| 8 | European Society of Radiology (ESR). The new EU General Data Protection Regulation: what the radiologist should know. Insights Imaging. 2017 Jun;8(3):295-299. | ||||||||
